Dieser Weiterbildungskurs richtet sich an Personen mit einem Interesse an praktischen Anwendungen von maschinellem Lernen in der Finanzindustrie, welche verschiedene Techniken der Modell-Implementierung, -Evaluierung und -Verbesserung erlernen möchten.

Die Teilnehmenden sollten einen technischen und quantitativen Hintergrund mit einem Abschluss in Mathematik, Informatik, Physik, Ingenieurwissenschaften oder ähnlichem besitzen. Ebenfalls berücksichtigt werden Absolvierende mit einem Abschluss in Banking und Finance oder verwandten Disziplinen, welche eine quantitative Ausrichtung nachweisen können. Teilnehmende, welche sowohl die quantitativen als auch technischen Voraussetzungen durch andere Aktivitäten nachweisen, können "sur dossier" in den Kurs aufgenommen werden.

Erste Kenntnisse und Erfahrungen von maschinellem Lernen sind hilfreich, aber nicht notwendig. Da die angewandten Projekte von Grund auf in R implementiert werden, sind Grundlagenkenntnisse mit dieser Programmiersprache hilfreich, aber nicht notwendig. Ebenfalls hilfreich ist ein generelles Verständnis für die Finanzbranche.

Interessenten, welche eine systematische und vertiefte Einführung in die Programmiersprache R suchen, empfehlen wir den Besuch des Weiterbildungskurses R Boot Camp.

Nach Abschluss des Kurses sollten Sie

• die wichtigsten Machine Learning Algorithmen in den Bereichen Supervised Learning, Unsupervised Learning und Deep Learning erklären können
• für ein vorgegebenes Problem einen passenden Machine Learning Algorithmus identifizieren können
• sich der Limitationen und möglichen Fehlerquellen der verschiedenen Algorithmen bewusst sein
• einfache Programme in R schreiben können
• Projekte im Bereich Machine Learning mit Anwendungen im Finanzbereich unter Anleitung durchführen können

Thematisch ist der Kurs in die drei Teilgebiete des maschinellen Lernens gegliedert. Er besteht aus folgenden Modulen:

Modul Supervised Learning

• Überblick über Supervised Learning Algorithmen
• Angeleitetes Projekt in kleinen Gruppen am Beispiel von Regressionsmodellen bzw. Entscheidungsbäumen

Modul Unsupervised Learning

• Überblick über Unsupervised Learning Algorithmen
• Angeleitetes Projekt in kleinen Gruppen am Beispiel von Cluster Decomposition bzw. Principal Component Analysis

Modul Deep Learning

• Überblick über Deep Learning Methoden
• Angeleitetes Projekt in kleinen Gruppen am Beispiel einfacher neuronaler Netzwerke

Nach einer fundierten theoretischen Einführung werden spezifische Anwendungen im Finanzbereich erarbeitet und evaluiert. Zudem werden sowohl Erweiterungsmöglichkeiten als auch Grenzen der besprochenen Modelle erörtert. Der Fokus des Kurses liegt auf der praktischen Anwendung und Umsetzbarkeit von maschinellem Lernen. Die Kursteilnehmenden erhalten einen Einblick in den Modell-Lebenszyklus und die Arbeitsweise von Ingenieuren im Gebiet des maschinellen Lernens.

Das Ausbildungsprogramm umfasst verschiedene Aktivitäten wie Vorlesungen, praxisorientierte Übungen und Fallbeispiele, Gruppenarbeiten, Selbststudium (Vor- und Nachbereitung) und Elemente des E-Learnings.

Zu jedem der drei Module gibt es eine Gruppenarbeit, die als Leistungsnachweis (bestanden/nicht bestanden) zählt. Alle drei Module müssen bestanden werden.

Der Unterricht findet in 6 Wochen im Frühlingssemester jeweils am Freitag von 09.30-12.30 und von 13:30-17:00 statt

Den Stundenplan erhalten die Studierenden spätestens einen Monat vor Studienbeginn.

Das Team der Dozierenden besteht aus ausgewiesenen Fachpersonen mit Kompetenzen im akademischen und praktischen Bereich. Hier ein Auszug der Dozierendenliste:

• Prof. Dr. Christoph Schmidhuber
• Prof. Dr. Marc Wildi

Die Zulassung zum Weiterbildungskurs Machine Learning and Deep Learning for Finance setzt grundsätzlich einen Hochschulabschluss (Fachhochschule, HTL, HWV, Uni, ETH) voraus. Es können aber auch Praktikerinnen und Praktiker mit vergleichbarer beruflicher Kompetenz zugelassen werden, wenn sich die Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

Sollte bei der vorangehenden Durchführung ein Platz frei werden, berücksichtigen wir die Reihenfolge gemäss Anmeldeeingang.